Verilerin Mahremiyeti ve Faydaya Dönüştürülmesi

1. Verilerin Mahremiyeti veFaydaya Dönüştürülmesi Teknolojik Bakış Açısı Denemesi Erkay Savaş, Yücel Saygın Sabancı Üniversitesi

2. Konuşma Planı • Mahremiyetin Tanımı • Mahremiyet ve Sistemlerin Güvenilirliği • Mahremiyetin Önemi ve Güncelliği • Mahremiyeti Ortadan Kaldıran Örnekler • Fayda ve Mahremiyet İkilemi • Mahremiyeti Koruyucu Teknik ve Yöntemler • Yasal Düzenlemeler ve Mahremiyet • Bir Tasarım Parametresi olarak Mahremiyet • MODAP Projesi Tanıtımı • Sonuç

3. Mahremiyet Nedir? • İnsanların temel (anayasal) haklarından biri • Yalnız bırakılma hakkı • Kişisel veriler açısındanmahremiyet: • Veri sahiplerine bu verilerle ilgili ne yapılacağı konusunda inisiyatif vermek. • İnisiyatif: karar verme yetkisi • Veri sahibi kimdir?

4. GÜVENİLİRLİK (DEPENDABILITY) EMNİYET (SAFETY) GÜVENLİK (SECURITY) MAHREMİYET (PRIVACY) SALDIRILAR (THREATS) KİŞİSEL MAHREMİYET KURUMSAL MAHREMİYET Büyük Resimde Mahremiyet

5. Neden Bu Kadar Önemli ve Güncel? • Teknolojigünlük hayatımızın ayrılmaz bir parçası oldu • Telsiz ve Telli Bilgisayar Ağları • Akıllı Telefonlar, RFID Etiketleri, Bilgisayarlar, Güvenlik Kameraları • Kişisel veriler 10 yıl öncesine göre çok daha hızlı, kolay ve ucuza toplanabiliyor. • İnternette ziyaret ettiğimiz siteler, aramalarda kullandığımız anahtar sözcükler • Yer (lokasyon) bilgisi (akıllı telefonlar, RFID etiketler) • İşlemler (e-ticaret, POS…) • E-postalarınız (reklam için gmail tarafından taranıyor) • Sosyal Ağlar (isteyerek ya da istemeden kişisel bilgilerin kontrolsüz yayılması)

6. Casus ve Tarihçi • Casus (ya da dedektif/paparazzi) kem bakışları • Tek bir bireyin – ya da küçük bir grubun – davranışları/alışkanlıkları/zafiyetleri hakkında bilgi edinmeye çalışır • İstismara açık bir pozisyondur • Tarihçi, arkeolog, ya da bilim insanının hüsnü nazarı • Daha büyük insan topluluklarının davranışları hakkında bilgi toplamaktır • Böyle bir çalışmanın amacı, bu toplulukların dinamiklerini keşfetmek ve yaşama biçimlerini anlamaya çalışmaktır • Genel bir fayda yaratmak için çalışır.

7. Naif Bir Yaklaşım • Kişisel verilerin analizi için bireylerin kimlik bilgilerinin bilinmesine gerek yoktur • Kimlik bilgilerinin rasgele seçilmiş sayılarla değiştirilerek gizlenmesi • Ancak kişiler hakkında toplanan birçok veri bir araya getirildiğinde kimlik belirlenmiş olur • Örneğin yaş, cinsiyet, semt kişileri ayırt etmede kullanılabilir.

8. ThelmaArnold Vakası • Ağustos 2006, AOL kullanıcı loglarını yayınladı • 3 aylıksüre • 20 million web sorgusu • 650.000 AOL kullanıcısı • AOL hatasını fark etti ve logları kaldırdı • Veri kişilere ait kimlik bilgilerini içermiyordu. • Ama insanlar genelde kendileri, arkadaşları ve aileleri hakkında araştırma yaparlar.

9. ThelmaArnold Vakası • Kimlik no’su4417749 olan anonim bir kullanıcı aşağıdaki sorgu kelimelerini kullanmış • “numb fingers” • “60 single men” • “dog that urinates on everything” • “landscapers in Lilburn, Ga” • “Arnold” isimli bir kaç kişi • Bir muhabir bu sorguları yapan kişinin • Thelma Arnold adında 62 yaşında, dul bir kadın olduğunu, Georgia eyaletinin Lilburn şehrinde yaşadığını, köpekleri sevdiğini ve arkadaşlarının hastalıkları konusunda İnternet’te araştırma yaptığını ortaya çıkartıyor.

10. Veritabanlarındaki Kayıtların İlintilendirilmesi • Cambridge Massachusetts seçmen kayıt bilgileri • 54,805 kişi • Postakoduve doğum tarihi birleştirildiğinde veri kayıtlarının %69’u tek kişiye bağlanabilir (ABD) • Yine ABD, posta kodu, doğum tarihi ve cinsiyet birleştirildiğinde bu oran %87’e çıkar. • Massachusetts bölgesi verileri kullanıldığına: Vali’nin sağlık bilgilerine ulaşıldı (posta kodu, doğum tarihi ve cinsiyet bilgileri kullanılarak) • Bu durum kimlik bilgilerini saklayarak veri yayınlama metotlarının gözden geçirilmesini gerektirdi ve bu konuda araştırmalar çoğaldı

11. Yarı Kimlik Bilgileri

12. Örnek Önlemler

13. Mobil Teknolojiler • GPS, GSM ve RFID teknolojileri ile yer bilgisi hassas bir şekilde tespit edilebilmekte • Yeni fırsatlar • Google Latitude, foursquare, vb. lokasyon bilgisini kullanan yeni mobil uygulamalar • Türkiye’de Turkcell pusula, tamnerede.com • …. • Tehlikeler • Gezdiğimiz yerler, • Yaşadığımız ya da çalıştığımız yer • Buluştuğumuz kişiler • ….

14. Fırsatları değerlendirirken mahremiyetin korunması • Verileri ekonomik ya da araştırma amacıyla yayınlamak • Veri toplarken yapacağımız analiz doğrultusunda yeteri kadar toplamak, gereksiz detayda veri toplamaktan kaçınmak. • İlk yapmamız gereken, kimlik bilgilerini gizlemek • Ama bu yeterli değil

15. Konum bilgisi • Kullanıcıların konum bilgileri, onlar hakkında birçok şey ele verir • O yüzden kimlik bilgilerini gizlesek bile • Her gün sabah belli yerden başlayıp bir saat sonra belli bir yerde duran birisi ve aynı kişi akşam başladığı yere dönüyorsa • Bu kişinin nerede yaşadığı ve nerede çalıştığından yola çıkarak diğer zamanlarda nerede olduğu bilgisine erişebiliriz • O yüzden konum bilgisi kişileri rahatlıkla belirlemek için kullanılabilir

16. Mahremiyeti Koruyan Teknikler • Veri yayınlamak için bir mahremiyet standardıgerekiyor • Verilerin istatistiksel özelliklerinin bozulmadan karıştırılması, yer değiştirilmesi ve gürültü eklenmesi • Bilgi ve/veya hassasiyet kaybı, • K. dereceden anonimleştirme • Bir veri tabanında aynı bilgilere sahip en az k kişi olmasının sağlanması için “genelleştirme” ve “silme” işlemlerinin uygulanması • K-anonimliği sağlayan algoritmalar ve sistemler geliştirmek gerekir, tabi bunu yaparken veri kalitesinin de korunması gereklidir. • Şifreleme teknikleri • Şifrelenmiş veri üzerinden analiz yapabilme

17. İkilem (Dichotomy) • Mahremiyet mi? • Genel Fayda mı? • Her ikisi bir arada var olabilir. • Farklı bilimsel disiplinlerin doğuşu • Mahremiyeti koruyan veri madenciliği (“Privacy Preserving Data Mining”) • Mahremiyeti koruyan veri yönetimi (“Privacy Preserving Data Management”)

18. Veri Madenciliği ve Yönetimi • Veri tabanlarıve veri madenciliğiçoğunlukla bireyler hakkındaki verilerle ilgilidir • Ham veri  bilgi • Veri madenciliği için kişisel verilerin uygulanacak yöntemler için kullanıma açılması gerekir • Veri yönetimi • Verilerin ne kadarının, kime, ne zaman, hangi şartlarda açılacağı konusundadır. • Bilimsel çalışmalar veri madenciliği ve yönetiminin mahremiyeti koruyacak şekilde yapılmasının yolunu bulabilir • Hukuksal ve diğer boyutlar (sosyal, ahlaki vb.) hariç

19. Hukuksal Düzenlemeler • Birçok firma, kurum ve kuruluş kişisel veriler toplar • Büyük hacim  yüksek hesaplama ve saklama kapasitesi • Korunması  güvenlik • Kullanımı, faydaya dönüştürülmesi  veri madenciliği ve yönetimi • Yasal düzenlemeler • Firmalar, kurum ve kuruluşlar veriler üzerindeki hak ve bunların mahremiyeti ile ilgili yükümlülüklerini bilmek isterler • Bağımsız bir otorite • Uygulanan koruma yöntemlerinin yasal düzenlemeyle uyumlu olup olmadığını kontrol eder.

20. Büyük Resim Bilimsel/Teknik Uzmanlık Veri Yasal Düzenlemeler Veri işleme Veri Koruma Otorite Fayda

21. Tasarım Parametresi olarak Mahremiyet • Privacy by Design • Önleyici olmak (Tepkisel ya da düzeltici değil) • Mahremiyet standart (default) bir özellik olmalı • Mahremiyet tasarım sürecinin ayrılmaz bir parçası olmalı • Kazan-Kazan yaklaşımı • Yasal ve makul tüm talepler karşılanmaya çalışılmalı • Baştan sona koruma • Verinin sisteme girişinden, çıkışına/yok edilmesine kadar koruma • Görünürlük ve açıklık • Kullanılan teknikler, yöntemler verilen taahhütlere uygun, denetime açık olmalı • Kullanıcı odaklı • İstendiğinde en kuvvetli koruma yöntemlerini kullanabilme

22. MODAP: Kısa Tanıtım • 1 Eylül 2009 tarihinde başladı • Süre: 36 Ay MODAP

23. Projeye Genel Bakış • CA yani yeni bir oluşum için koordinasyon aktiviteleri • Amaç mobil veri madenciliği ve mahremiyet konularındaki araştırmaları koordine etmek • Bu amaçla bilişimcilerin yanı sıra sosyal bilimciler ve endüstride de geniş kitlelere ulaşmak. MODAP

24. Projenin Amaçları • Farkındalığın arttırılması, • Mahremiyeti koruyarak mobil veri madenciliği yapılmasına imkan tanıyacak teknik altyapının sağlanması • Gerekli yasal düzenlemelere temel olabilecek tartışmaların yapılabileceği bir platform oluşturmak.

25. MODAP Paydaşları • Sabanci Universitesi (Koordinatör) • FraunhoferIAIS • CNR - AreaDellaRicercadiPisa • WindTelecomunicazioniSpA • Hasselt University • EPFL - EcolePolytechniqueFédérale de Lausanne • Université de Lausanne • University of PiraeusResearchCentre • Alterra B.V. • National & Kapodistrian University of Athens • University of Milan

26. Teknoloji ve Veri Toplama MODAP

27. Projeye Genel Bakış • GPS ve GSMverileri uzun zamandır toplanmakta • Mobil davranış izlenebilmekte MODAP First Review Meeting, October 27, 2010, Istanbul

28. Yapılmak İstenenler • Mobil Veri Madenciliği : Olanaklar • Mobil Veri Madenciliği : Riskler • Veri daha çok insanla ilgilidir (nerede, kiminle, ne zaman, hangi sıklıkla oldukları, vb). • Mobil Veri Madenciliği tam anlamda kullanılmadan önce mahremiyet konusu çözümlenmelidir. • İnsanların mobil davranışlarıyla ilgili mahremiyet riskleri henüz tam olarak tartışılmamıştır. • Mobil veri madenciliğinde ilerlerken veri toplama ve yayınlamada mahremiyet ölçümleri ve standartları oluşturulmalıdır MODAP

29. Öncesi • MODAP projesi, daha önceki GeoPKDD (Geographic Privacy-aware Knowledge Discovery and Delivery) adlı AB 6. Çerçeve Projesinin başarısı üzerine kurulmuştur MODAP

30. GeoPKDD

31. MODAP: Hedef • Teknik ve teknik olmayan kişiler arasındaki boşluğu ortadan kaldırmak MODAP

32. Sonuç • Mahremiyeti koruyan yöntemler sistemin genel güvenilirliğini artırıcı bir yaklaşımdır. • Teknik uzmanlar • Var olan yasal düzenlemelerle uyumlu teknik isterlerin/gereksinimlerin belirlenmesi • Veri koruma otoritesi • Denetim • Danışma • Bilimsel/teknik bilgi birikimi • Sakıncalı durumların belirlenmesi • Yeni koruma yöntemlerin bulunması • Farkındalık yaratılması